(02)智能体时代软件工程师的自救:拆开 Agent 这只麻雀

defget_weather(city):    db = {"北京": "晴, 26度, 西风3级",    "上海": "多云, 30度, 湿度大",    "广州": "雷阵雨, 28度"}    return db.get(city, f"{city} 天气未知")TOOLS = {    "get_weather": {        "desc": "查询某城市天气，参数为 city（城市名）",        "func": get_weather,        "params": ["city"]    }}

import jsondefget_weather(city):    db = {"北京": "晴, 26度, 西风3级",    "上海": "多云, 30度, 湿度大",    "广州": "雷阵雨, 28度"}    return db.get(city, f"{city} 天气未知")TOOLS = {"get_weather": get_weather}# 极简"大脑"：真实场景换成大模型 function callingdefbrain(question, memory):    # —— 感知：识别意图 + 抽取实体（城市）——    city = next((c for c in ["北京","上海","广州"] if c in question), None)    if"天气"notin question ornot city:        return"这事我还没学会，先记着。"# 反思：超出能力，老实认    # —— 规划+执行：决定调工具 ——    result = TOOLS["get_weather"](city)    # —— 反思：结果合理吗 ——    if"未知"in result:        returnf"没查到{city}的天气，可能不在库里。"    # —— 记忆：存下来 ——    memory.append({"city": city, "info": result})    # —— 输出 ——    returnf"{city}今天{result}。记下了，免得你再问。"defagent_run(question, memory):    print(f"用户：{question}")    ans = brain(question, memory)    print(f"Agent：{ans}\n")    return ansmemory = []agent_run("北京今天天气咋样", memory)agent_run("那上海呢", memory)agent_run("北京天气还记得不", memory)

用户：北京今天天气咋样Agent：北京今天晴, 26度, 西风3级。记下了，免得你再问。用户：那上海呢Agent：上海今天多云, 30度, 湿度大。记下了，免得你再问。用户：北京天气还记得不Agent：北京今天晴, 26度, 西风3级。记下了，免得你再问。

from openai import OpenAI # 换成你用的 SDKclient = OpenAI()tools_schema = [{    "type": "function",    "function": {        "name": "get_weather",        "description": "查询某城市天气",        "parameters": {            "type": "object",            "properties": {"city": {"type": "string"}},            "required": ["city"]        }    }}]defrun_agent(question, memory):    messages = [{"role": "system", "content": "你是助手，需要时用工具。"}]    messages += memory    messages.append({"role": "user", "content": question})    # 第一轮：让模型决定要不要调工具    resp = client.chat.completions.create(        model="your-model", messages=messages, tools=tools_schema)    msg = resp.choices[0].message    if msg.tool_calls: # 模型说：我想调 get_weather        for call in msg.tool_calls:            args = json.loads(call.function.arguments)            result = get_weather(args["city"]) # 代码真去执行            messages.append(msg)            messages.append({                "role": "tool", # 结果喂回去                "content": result,                "tool_call_id": call.id            })        # 第二轮：模型拿到结果，决定怎么答        resp2 = client.chat.completions.create(            model="your-model", messages=messages)        return resp2.choices[0].message.content    return msg.content

defscreen_resume(resume, jd, memory):    # 感知+规划：让模型抽取关键信息并定步骤    plan = llm(f"读简历和岗位，抽取:技能/年限/空窗/跳槽频次。步骤:1匹配 2风险")    # 执行：算匹配分（这里用规则模拟，真实可换模型）    score = match_score(resume, jd)    risks = []    if resume.get("job_hops", 0) >= 4:        risks.append("频繁跳槽，稳定性存疑") # 反思：标黄不淘汰    if resume.get("gap_months", 0) > 12:        risks.append("空窗超一年，需确认原因")    # 记忆：本岗位历史偏好    if jd["role"] in memory:        tips = memory[jd["role"]]    # 输出：给人看的简报，关键结论附证据    returnf"匹配分{score}，风险：{risks or'无'}。建议：{'优先面'if score>80andnot risks else'待定'}"

欢迎朋友们阅读、转发，提一提建议，在讨论区展开更深入讨论。